视频智能分析在消防安全隐患排查系统中的发展应用

□文/李玉华 周昕 孙旷野

消防安全隐患管理中的痛点

随着城市化进程的加快，消防安全隐患排查问题成为各级安全管理部门必须面对的一大难题；传统消防安全隐患排查靠人工巡检，不仅效率低下，发现不及时，而且工作负荷重，效果不明显。常见的消防安全隐患有：消防控制室值班人员存在脱岗现象；部分消防控制室值班人员未持证上岗；电瓶车违规停放，有的甚至放在室内、过道或楼梯间等区域；消防通道、安全出口被占用或堵塞等等。电瓶车随意停放隐患大，容易引起火灾事故；消防控制室值班人员行为不规范，会导致火情处理不及时；消防通道、安全出口不顺畅，一旦火情发生，阻碍生命通道，危及生命财产安全。

视频智能分析消防隐患排查系统

视频监控技术经过数字化、网络化、高清化，已经到了智能化时代。随着人工智能的快速发展，特别是深度学习技术的出现，视频智能分析技术真正得到了广泛认可和应用。视频监控在现代社会中广泛应用，而且在各行各业中越来越重要。对这些已有的海量视频进行后端智能分析，提取关键事件信息，能大大提高检索效率。

本文将消防隐患排查业务与视频智能分析技术相结合，研发一套视频智能分析消防隐患排查系统；系统可对监控视频实时智能分析，一旦发生消防安全隐患事件，及时上报，并联动视频进行人工复核，可实现对消防安全隐患的有效管理，大大提升了安全隐患排查效率。该系统同时贴合消防业务场景，对算法进行优化，不断迭代，提升算法的准确率。

系统组成

系统可接入主流监控厂家前端IPC设备，对接入的实时视频流进行解码处理，然后发送至带有专业AI芯片的视频智能分析仪进行数据分析，一旦满足报警触发条件，系统将报警事件上传到中心，收到报警后，中心平台实时视频弹窗，便于人工复核，第一时间排除误报，并了解现场实际情况。

技术路线

本系统采用基于深度学习的视频智能分析技术，有效提升了算法准确率，场景适应性也提高了。传统智能算法是人工来设计特征，不同角度、不同光照下的很多特征很难被发现，所以，虽然传统智能算法有时能够在特定环境和时间下表现出良好的性能，但只要画质、环境等条件发生改变，准确率可能就会出现明显的下降，而深度学习可以自主提炼出更丰富更适合的特征参数，具有更强的抗环境干扰能力。

深度学习让智能识别种类更丰富，理论上只要有足够多的样本进行训练，深度学习都能够实现比较精准的目标分类识别，自主特征学习的特点又让深度学习特别适合用于抽象、复杂的目标特征，以及行为分析领域。因此对于消防隐患的识别，例如电瓶车检测、消控室人员行为规范等，采用深度学习效果更好。

实际应用中充分考虑利旧，保持原有系统网络架构不变。以易出现消防安全隐患的点位为视频源，接入到后台进行处理分析。隐患事件信息及时上报，并联动实时视频进行复核，排除误报。保存历史事件，包括报警录像，方便后续查询和处理。通过统计分析，既可发现高频隐患事件，也可发现易发生安全隐患的高频点位信息。视频智能分析系统主要实现以下功能：

码流接入：支持主流编码格式H.264和H.265的前端摄像机接入，支持标准RTSP和ONVIF协议接入，兼容市面上主流厂家摄像机品牌，对输入码流进行解码处理。

视频显示：支持HDMI高清视频输出，多画面显示。

码流存储：支持对接入码流进行全天存储和报警录像，存放报警前后10秒内的视频

参数配置：包括算法配置、通道配置以及设备配置。算法配置除了设置算法类别外，还支持屏蔽区域，易误报或不感兴趣区域可设置成屏蔽区域，减少干扰；算法灵敏度和事件持续时间阈值也可以设置，这样更加灵活，适应更多场景。

智能分析：基于深度学习算法，实时检测当前接入视频存在的消防安全隐患，事件持续时间超过设置的阈值时上传报警，通过客户端、Web以及手机APP等方式来推送。

消防安全隐患排查应用

消防控制室值班人员离岗检测：系统对检测区域进行智能分析，当检测到值班人员少于指定人数，并且超过设定的时间，系统触发离岗报警，并保存对应的报警图片与报警前后一段时间的视频。

消防控制室值班人员未持证上岗检测：消防控制室值班人员未经过消防安全培训上岗的，一旦发生火灾事故，不能或者不会操作火灾报警控制器，消防控制室也将形同虚设。系统检测到持证值班人员少于规定人数时，并且超过设定的时间，系统触发报警，并保存对应的报警图片与报警前后一段时间的视频。

消防通道被占用检测：当检测区域中消防通道被占用超过设定的时间，系统触发报警并保存对应的报警图片与报警前后一段时间的视频。消防通道、消防登高车场地、疏散通道以及安全出口等区域都适用，检测到被占用时及时报警。

电瓶车未按规定位置停放检测：对检测区域内的目标进行智能分析，检测到电瓶车而且停放超过设定的时间，触发报警并保存对应的报警图片与报警前后一段时间的视频。电瓶车上楼或未停放在规定区域，是比较大的安全隐患。

方案技术创新点

安消一体化应用创新。本系统在一套软硬件基础上融合了多种算法，涵盖了消防隐患管理的许多痛点。例如消防控制室值班人员行为不规范（包括离岗、持证上岗人员不足），电瓶车不按规定位置集中放置，电瓶车进电梯，消防设施例如灭火器缺失，消防通道被占用等。采用深度学习，通过积累素材，可不断优化算法或增加新算法。本系统将视频、人工智能技术和消防业务相融合，实现消防场景的可视化管理，满足安消一体的业务应用需求。

模块化设计。本系统采用稳定易用的硬件和软件，具备出色的模块化设计，可灵活配置系统算力。集成的算法仓库设计可灵活加载实际应用需要的算法，资源按需配置。本系统无需借助任何专用维护工具，既降低了管理人员专业知识的培训费用，又节省了日常频繁地维护费用。设备采用嵌入式设计，整体性能更稳定，总功耗更低，节能环保，在很大程度上节省用户的运维成本。另外本系统充分考虑实用性和兼容性，兼容各主流视频监控厂家的设备码流。

结束语

当前具备感知能力的AI摄像头越来越普遍。将算法前置到摄像头，未来也会有很多的场景可以应用。同时基于视频的智能分析有望进一步拓展，在消防场景中得到更广泛的应用。一方面和实际场景贴合更紧密，解决碎片化的应用需求，例如加油站防火、森林防火等。另一方面应用领域更广泛，解决管理痛点，例如消防队员动作和姿态的自动考评。这些都是视频智能分析技术在未来可能的拓展方向。

同时也能让摄像头自身集成算法，从而逐渐超越了视频监控和录像存储本身，在越来越多的行业应用中拥有了感知能力。